en ekonometrisk undersÖkning av svensk …
TRANSCRIPT
EN EKONOMETRISK UNDERSÖKNING AV SVENSK VERKSTADSINDUSTRI
Seminariearbete magisternivå i
Industrial and Financial Management
Handelshögskolan vid Göteborgs Universitet
vårterminen 2011.
Handledare: Jens Madsen
Författare: Födelseårtal:
Erik Jakubowski, 1985-06-03
Axel Schörling, 1986-05-19
Sammanfattning
I följande arbete har en ekonometrisk undersökning av svensk verkstadsindustri genomförts. Åtta
bolag, registrerade på Stockholmsbörsen, och tillhörande verkstadsindustrin har valts ut. Dessa är
Volvo AB, Sandvik, ABB, Alfa Laval, Assa Abloy, SKF, Scania och Atlas Copco. Bolagens genomsnittliga
avkastning utgör den beroende variabeln i undersökningen. De förklarande variablerna har valts med
hänsyn tagen till fakta presenterad i bolagens årsrapporter samt ekonomisk relevans.
Undersökningen baserar sig på data från juni 2002 till och med februari 2011.
Uppsatsens huvudsakliga frågeställning är vilka faktorer, såväl makroekonomiska som
industrispecifika, som i störst utsträckning inverkar på svensk verkstadsindustris resultat. Med
bakgrund i en faktormodell har även känsligheten för givna faktorer avgjorts.
Den ekonometriska undersökningen baseras på en flervariabel linjär regression med OLS-estimat.
Därtill har flertalet robusthetstest genomförts för att garantera uppfyllnaden av förutsättningarna för
korrekta OLS-uppskattningar.
Resultatet varierar beroende på tidsintervall, dock är signifikansnivån generellt låg, så även
faktorernas beta-värden. Som jämförande modell har Fama & French-trefaktors modell används.
Dess applicering på svensk verkstadsindustri visar på högre signifikans dock även denna med små
värden på faktorernas betan.
Innehållsförteckning
1 Inledning .....................................................................................................................................1
1.1 Bakgrund .............................................................................................................................1
1.2 Problemdiskussion...............................................................................................................2
1.3 Uppgiftsformulering ............................................................................................................3
1.4 Syfte ....................................................................................................................................3
1.5 Avgränsningar .....................................................................................................................3
2 Metod .........................................................................................................................................5
3 Teoretisk referensram .................................................................................................................6
3.1 Faktormodeller ....................................................................................................................6
3.2 Robusthetstest ....................................................................................................................8
3.2.1 Felspecifikation av modellen ........................................................................................8
3.2.2 Heteroskedastik ...........................................................................................................9
3.2.3 Autokorrelation ...........................................................................................................9
3.2.4 Korrelation mellan feltermen och förklarande variabler ............................................. 10
3.2.5 Feltermens fördelning ................................................................................................ 10
3.3 Modellens uppbyggnad ..................................................................................................... 11
3.3.1 Bakgrund – Svensk ekonomisk utveckling ................................................................... 11
3.3.2 Svensk verkstadsindustri ............................................................................................ 12
3.3.3 ”Random Walk” och effektiva marknadshypotesen .................................................... 13
3.3.4 Den beroende variabeln ............................................................................................. 14
3.3.5 Val av förklarande variabler ....................................................................................... 18
3.3.6 Modellens begränsningar ........................................................................................... 26
4 Analys ....................................................................................................................................... 27
4.1 Regressionens resultat....................................................................................................... 27
4.2 Robusthetstestens resultat ................................................................................................ 29
4.3 Jämförelse med fundamental modell ................................................................................. 32
5 Diskussion ................................................................................................................................. 34
5.1 Regressionens resultat....................................................................................................... 34
5.2 Robusthetstestens resultat ................................................................................................ 36
Litteraturförteckning......................................................................................................................... 37
Appendix A ....................................................................................................................................... 39
1
1 Inledning
1.1 Bakgrund
Svensk industriproduktion karaktäriseras av ett brett spektrum av näringsgrenar. Dessa spänner från
klassiska råvarunäringar såsom skogs- och metallindustrin till process-, transport- och
verkstadsindustri. Sett från produktionssidan står svensk industri för så mycket som 80% av BNP
medan det från användningssidan exporteras ca. 50%. Vidare är Sverige ett av de mest
storföretagstäta länderna i världen. Dessa koncerner har ytterst stor påverkan på svenskt näringsliv
och sysselsättning, inte bara via sitt egenvärde utan även på grund av sina kopplingar till
underleverantörer, partners och högskolor runt om i landet.1
Från början på 1970-talet och frammåt har den ekonomiska utvecklingen i Sverige generellt varit
lägre än i många andra industriländer, med undantag för de senaste femton åren då Sveriges
bruttonationalprodukt i genomsnitt har vuxit med ca. 2,5% per år, vilket motsvarar tillväxttakten för
EU-15.2 Relativt majoriteten av övriga EU-länder samt USA och Japan, så är Sverige i betydligt större
utsträckning exportberoende, delvis på grund av mindre hemmamarknader.
Sammansättningen av svensk varuexport och import illustreras i nedanstående diagram:
1 (Braunerhjelm, n.d.)
2 (Ekonomifakta, n.d.), 2011-01-18
Figur 1: Svensk exportsammansättning Figur 2: Svensk importsammansättning
2
Som framgår av ovanstående diagram utgör verkstadsindustrin, som i stort består av
maskinproduktion, elektrovaror, vägfordon, telekom, instrument och metallarbeten, den absoluta
majoriteten av såväl export- som importsammansättningen. I övrigt utgör skogs- och mineralvaror
tillsammans med läkemedelsindustrin (kemivaror) stora exportgrupper och således viktiga
näringsgrenar för svensk industri.
Detta kan delvis föklaras med hjälp av klassisk handelsteori genom tillgången på produktionsfaktorer
i form av naturresurser och kapital i kombination med en relativ brist på arbetskraft (liten
befolkning).
Vidare utgör EU-27 samt Island, Norge och Lichtenstein majoriteten av exportmarknaderna i termer
av försäljningsvärde (68%) varav enbart Tyskland, Storbritannien, Danmark och Finland tillsammans
står för 53%.3 Motsvarande siffror för USA och Asien är 6,4% respektive 11,9%.
Med bakgrund i strukturen i svensk industri, dess exportberoende (vilket även tydliggörs genom
minskningen i varuexportens värde under finanskrisen 2008-2009 på totalt 16% varav
fordonsindustrin enskilt minskade med 42%), växande internationell konkurrens i form av
tillväxtmarknader och en mer volatil omvärld i termer av budgetunderskott, växelkurser, räntor och
råvarupriser etc. är en undersökning av vilka faktorer som påverkar svensk verkstadsindustri (som
utgör den klart största näringsgrenen och som i många avseenden spontant förknippas med många
multinationella svenska storkoncerner) av intresse. Samtidigt har de svenska verkstadsföretagen till
synes återhämtat sig från finanskrisen och utgör numera den tyngsta sektorn på Stockholmsbörsen
med 32,3% av börsens totala värde.4
En sådan analys kan, förrutom ur ett rent vetenskapligt perspektiv, vara relevant som
investeringsunderlag och för den allmänna förståelsen för hur en given marknad/företag påverkas
beroende på varierande omgivningsbetingelser.
1.2 Problemdiskussion
Det som utgör den huvudsakliga problemformuleringen i denna uppsats är vilka faktorer, såväl
makroekonomiska som industrispecifika, som i störst utsträckning inverkar på svensk
verkstadsindustris resultat. Med bakgrund i en faktormodell skall även känsligheten för givna
faktorer avgöras.
3 (Kommerskollegium, n.d.)2011-01-18
4 (Dagen Industri, n.d.), 2011-01-18
3
Delproblem för uppgiften blir att med bakgrund i ekonomisk teori och företags- samt branschfakta
motivera val av lämplig modell och varje ingående faktor för att sedan utvärdera både modellen som
helhet men också varje enskild faktors signifikans.
1.3 Uppgiftsformulering
Uppgiftsformuleringen för uppsatsen blir, med utgångspunkt i problemdiskussionen, att kartlägga
och rangordna vilka omvärldsfaktorer som har störst inverkan på svensk verkstadsindustri. Vidare
skall resultaten förklaras och deras validitet undersökas.
1.4 Syfte
Uppsatsen syftar till att med statistiska hjälpmedel undersöka parameterkänsligheten för en rad
faktorer för Sveriges största näringsgren. Ett vidare syfte är att på ett tillfredsställande sätt kunna
förklara funna samband och härleda dessa till de korrelationer som hittats. Det övergripande syftet
kan delas upp i ett makro- och ett mikroplan, där det inom respektive område går ut på att förstå de
olika faktorernas roll och påverkan och därigenom industrin som helhet.
Vidare skall den framtagna ekonomiska faktormodellen jämföras med en vedertagen fundamental
faktormodell, nämligen Fama & French tre-faktorsmodell. Detta syftar till att jämföra
förklaringshalten för båda typer av modeller.
1.5 Avgränsningar
En första uppenbar avgränsning i arbetet är tillgängligheten av data. Exempelvis aktiekurser, räntor,
inflation etc. är alla tillgängliga via börsoperatörens eller riksbankens hemsida. Vad gäller specifika
råvaror, index eller växelkurser kan data över dessa vara inte fullt lika tillgängliga. Samtidigt är vissa
bolag i undersökningen relativt unga eller nybildade efter ett förvärv. En vidare datarelaterad
avgränsning är tidsintervallen i datan, som varierar från faktor till faktor. Den gemensamma
nämnaren i denna undersökning är månatliga tidsserier och i de fall då datan ges dagligen eller
veckovis medelvärdesbildas denna.
Verkstadsindustrin i kontext av denna undersökning utgörs av de 8 verkstadsindustribolagen med
högst omsättning enligt Stockholm OMX 30. Det innebär att bolag mindre än dessa samt
underleverantörer exkluderas. En vidare begränsning är att samtliga åtta bolags avkastning blir lika
viktadei undersökningen och att de förutsätts svara mot samma generella riskfaktorer (i praktiken
svarar varje enskilt bolag givetvis olika utsträckning mot olika faktorer).
4
Ytterliggare avgränsningar är antal faktorer. För att hålla modellen och undersökningen som helhet
så koncis och rättfram som möjligt skall endast ett fåtal faktorer tillåtas plats i regressionen.
Målsättningen är att inte ha mindre än 5 förklarande variabler och inte fler än 10. En ytterliggare
motivering för att hålla faktorantalet nere är minskad risk för korrelation mellan variablerna.
Antalet robusthetstest på marknaden är många. Denna uppsats begränsar sig till att använda de
generellt förekommande (i grundläggande ekonometrisk litteratur), vedertagna robusthetstesten och
utifrån dessa forma analysunderlag.
5
2 Metod
På grund av verkstadsindustrins dominerande betydelse för svenskt näringsliv väljs denna
undergrupp (till total industriproduktion) som beroende variabel för undersökningen. Detta genom
att undersöka åtta framträdande verkstadsbolag noterade på Stockholmsbörsen; ABB, Alfa Laval,
Assa Abloy, Atlas Copco, Sandvik, Scania, SKF och Volvo.
Industrin beskrivs generiskt genom ett index bestående av samtliga åtta bolags avkastning under den
givna tidsperioden. Detta för att ge en indikation på hur verkstadsbranschen som helhet påverkas av
fluktuerande råvarupriser, räntor, växelkurser, internationell tillväxt med mera.
Med bakgrund i uppsatsens frågeställningar är en central del i arbetet att nå, bearbeta och analysera
tillgänglig data över både de ingående bolagens aktiehistorik och för de förklarande variablerna.
Förfaringssättet vid framtagande av den ekonomiska faktormodellen har dels grundat sig i vad som
står skrivet i bolagens årsredovisningar angående exempelvis råvaruberoende, viktiga marknader och
eventuella faktorer som bidragit vinst eller förlust för det gångna räkenskapsåret. Då bolagen är
grupperade i den så kallade verkstadsindustrin är merparten av de faktorer som de beskriver i sina
årsredovisningar generiska för branschen. Vidare har ingående faktorer valts med bakgrund i dess
ekonomiska relevans. Bakgrunden till samtliga faktorer redovisas i avsnitt 3.3.5.
För att genomföra den ekonometriska analysen krävs dessutom användandet av statistisk
programvara. De regressioner och de robusthetstest som genomförs i denna uppsats är gjorda i
MatLab R2010. Utöver grundläggande aritmetik används ”Statistical Toolbox”. Detta programtillägg
innefattar en rad olika funktioner, såsom regressions-diagnostik, robusthetstest, kovariansmatris-
funktion med mera. Vad som däremot inte ingår är regressionsverktyg för modeller där en
skärningspunkt (konstant) inte ingår. I de fall då detta gäller används istället ”\” (backslash)-
kommandot som lösare för ekvationssystemet och vidare statistisk analys sker aritmetiskt med den
ekonometriska teori som presenteras i teoriavsnittet.
Datan samlas företrädesvis in från databasen DataStream. Denna innehåller bland annat globala
aktie-,index- och råvarudata. Ytterliggare data hämtas från riksbankens hemsida där bla. inflation och
räntor finns tillgängliga. Vidare data har hämtats från Nordpol.
6
3 Teoretisk referensram
3.1 Faktormodeller
Faktormodellen som förklarande verktyg för avkastning och risk på en tillgång har sitt ursprung i
CAPM (Capital Asset Pricing Model), där väntevärdet av avkastningen (på tillgången) beskrivs som en
linjär funktion av differansen mellan marknadsavkastningen och den riskfria räntan (marknadens
riskpremium). Detta är alltså en modell med endast en faktor, nämligen marknadens riskpremium.
Matematiskt beskrivs detta genom:
, (3.1)
där betecknar tillgångens känslighet med avseende på avkastning gentemot marknadens
känslighet. Modellen är enkel att förstå och använda, dock har det förekommit motstridiga empiriska
bevis för dess validitet. Detta har lett till att ytterliggare modeller har konstruerats, däribland den så
kallade Arbitrage Pricing Theory som är en linjär multifaktormodell given av:
, (3.2)
där faktorerna inte specifieras närmare. Ytterliggare faktormodeller ämnade att förklara
portföljavkastning är bland annat Fama & French tre-faktor modell, vilken bygger på CAPM men med
tillägg av två ytterliggare faktorer – kapitalvärde (SMB) och ”book-to-price”-ratio (HML) samt
Carharts modell där ytterliggare en ”moment”-faktor adderas till de tre tidigare. Connor och
Korajczyk5 menar att fler än fem faktorer har liten påverkan på modellens känslighet. Fama & French
modell är utformad enligt följande:
, (3.3)
I följande faktormodeller sägs risken som beskrivs av faktorerna vara så kallat systematisk medan
resten sägs vara idosynkratisk, dvs. tillgångsspecifik. I en portfölj eller ett index är således den
systematiska risken för varje enskild tillgång korrelerad med portföljens/indexets andra tillgångar
medan den tillgångsspecifika risken är okorrelerad.
Med utgångspunkt i ovanstående modeller kan en generell, linjär tidsseriebaserad, ekonomisk
faktormodell (en flervariabel-regression av y med avseende på x) uttryckas som:
+ , j=2,…,K i= 1,…,t , (3.4)
5 (Connor, 1988)
7
(3.5)
Som också går att uttrycka med matrisnotation:
, (3.6)
,
, (3.7)
Där i egenskap av felterm således representerar portföljen (eller den enskilda tillgångens) specifika
avkastning.
Med följande antaganden6 för en så kallad strikt faktor modell:
1. Varje felterm har en sannolikhetsfördelning med 0 som väntevärde,
2. Varje felterm är homoskedastisk, <
3. Feltermerna och regressanterna är okorrelerade,
4. Både den beroende variabeln och feltermen är normalfördelade,
, ) och )
5. Faktorerna är inte slumpmässiga och inte exakta linjära kombinationer av de andra faktorerna
6. Det förutsätts att N>>K
För att lösa systemet används en så kallad OLS (ordinary least squares) regression, där följande
funktion skall minimeras:
, (3.8)
De sökta parameteruppskattningarna av ges sedan av följande ekvation när
faktormodellen är uppställd;
, (3.9)
Om ovanstående antaganden stämmer är enligt Gauss-Markov-teoremet parameterskattningarna så
kallade BLUE, Best Linear Unbiased Estimators. Detta innebär att variansen är lägst för dessa
uppskattningar.7
6 (R. Carter Hill, 2007)
7 (Wahlberg, 2011)
8
Givet ovanstående kan intressant information i form av tillgångens/tillgångarnas riskkarakteristika
extraheras. Variansen för en uniformt viktad beroende variabel, Y, enligt ovan ges av:
, (3.10)
Där , representerar kovariansmatrisen för modellens faktorer. I ovanstående ekvation beskrivs tre
olika risker för Y; faktorkänsligheten som representeras av de uppskattade värdena , faktorernas
egna risker , samt den tillgångsspecifika eller idiosynkratiska risken .
Andra typer av faktormodeller är bland annat sk. ”cross-sectional” där känsligheten för en mängd
tillgångar används för att bestämma faktorer över en given tidsperiod, samt statistisk där
faktoranalys används för att bestämma faktorer och känslighet som bäst matchar observerad
volatilitet och avkastning på undersökta tillgångar.
Vidare behövs en undersökning hurvida ovanstående antaganden är uppfyllda. Detta görs genom en
rad så kallade robusthetstest, vilka redogörs för i nästa stycke.
3.2 Robusthetstest
3.2.1 Felspecifikation av modellen
För att hitta eventuella olinjära samband eller utelämnade variableer används ett så kallat RESET
test. Detta görs genom att komplettera vår ursprungliga modell med ytterliggare en olinjär
regression enligt:
, (3.11)
, (3.12)
Där betecknar väntevärdet av . Eftersom väntevärdet av i kvadrat och kubik bildar polynom
som kan approximera en rad olika funktioner kan ursprungsfunktionen utifall felspecifierad
förbättras. För att kunna dra en sådan slutsats görs ett F-test där noll-hypotesen innebär
mot alternativet och/eller . RESET-testet kan dock ge samma resultat för två modeller
med olika form.
9
3.2.2 Heteroskedastik
Givet för en OLS-regression är att feltermernas varians skall vara konstant. Motsatsen kallas för
heteroskedastik och leder till att estimaten inte blir optimala samt att feltermerna blir påverkade. För
att upptäcka eventuell heteroskedastik, som snarare är regel än undantag, används ett White test.
Det går ut på att man genomför följande regression:
, (3.13)
, (3.14)
Man kan även inkludera korstermer som . F-test där noll-hypotesen
testas mot att någon av koefficienterna skulle vara nollskilda.
Effekten av heteroskedastik är att OLS-estimaten inte längre är sk. BLUE, Best Linear Unbiased
Estimator, samt att OLS standard felen inte blir tillförlitliga.
3.2.3 Autokorrelation
Autokorrelation innebär att tidsserievärden är korrelerade med sina tidigare och/eller framtida
värden. Fenomenet förekommer i många olika system och försvårar statistiska undersökningar
eftersom mängden oberoende observationer minskar. Även signifikansen för korrelationstest,
tidsserier emellan blir svårare. Vidare konsekvenser av autokorrelation blir att minsta
kvadratskattningarna inte blir optimala, konfidensintervallen för blir felaktiga samtidigt som
feltermerna blir förutsägbara.
För ändamålet i den här uppsatsen kommer ett så kallat Durbin-Watson test att användas för att
upptäcka eventuell autokorrelation. Testet är utgår från följande hypotestest för den så kallade
autokorrelationsparamtern:
, (3.15)
, (3.16)
, (3.17)
Där d utgör test-statistikan med utfall enligt följande för positiv autokorrelation:
10
För ovanstående hämtas och från tabell8. För negativ autokorrelation gäller följande samband:
Vid ett ofullständigt Durbin-Watson-test används ett sk. Breusch-Godfrey-test som komplement,
vilket utgår från följande hjälp-regression:
, (3.18)
Där signifikans och belopp för autokorrelationsparametern undersöks.
3.2.4 Korrelation mellan feltermen och förklarande variabler
För att undersöka hurvida feltermen är korrelerad med de förklarande variablerna används en en
kovariansmatris. Denna matris är uppbyggd enligt följande;
, (3.19)
Denna matris reduceras i fallet då man endast undersöker feltermens korrelation med faktorerna till
en radvektor.
3.2.5 Feltermens fördelning
För att Undersöka normalfördelningen av feltermerna används ett sk. Jarque-Bera-test. Jarque-Bera-
testet använder test-statistikan:
, (3.20)
, (3.21)
, (3.22)
S och k betecknar observationernas sk. ”skewness” och ”kurtosis” respektive.9
8 (Ron C. Mittelhammer, 2000)
9 Hämtat från: (MatLab, n.d.)den 2011-04-14
11
3.3 Modellens uppbyggnad
3.3.1 Bakgrund – Svensk ekonomisk utveckling
Strukturen i svensk ekonomi som den ser ut idag har sina rötter i mitten på 1800-talet, då social
infrastruktur gjorde det möjligt för företag, institutioner och andra ”moderna” arbetsmarknads- och
samhälleliga funktioner att börja ta form. Kombinationen av ökad kapitalackumulation och förbättrad
faktorproduktivitet ledde till att Sverige gick från att vara ett relativt fattigt jordbruksnation till en
ledande industrination. Under denna initiala industrialiseringsfasen lades grunden för de
dominerande svenska industrierna (även i våra dagar), nämligen skogs- och verkstadsindustrierna.
Viktiga komponenter som gjorde denna typ av utveckling möjlig var kombinationen och växelverkan
av tekniska framsteg i form av bland annat förbättrade transportmöjligheter och en hög
investeringskvot. Många av de tekniska framstegen blev delvis möjliga genom det finansiella
systemets framväxt i början på 1800-talet, då mindre sparbanker och hypoteksinstitut växte fram.
Den finansiella utvecklingen fortsatte med tillväxten av större affärsbanker och instiftandet (1848) av
aktiebolagslagen som möjliggjorde aktiefinansiering.
Från 1850-talet och fram till första världskrigets utbrott låg investeringsnivån i real- och
humankapital på en relativt konstant nivå om ca. 10% av BNP med bibehållen konsumtion. Detta till
en kostnad i negativ bytesbalans under hela perioden till följd av all kapitalimport (som bland annat
finansierade det svenska järnvägsbyggandet). 1914 hade Sverige således en statsskuld på 90% av
BNP. Vidare ledde teknikskiftet till ett gradvist skifte i arbetsfördelning från jordbruk till industri- och
tjänstesektorn samtidigt som utbildningsnivån succesivt ökade i landet. Detta blev en naturlig
konsekvens av den allt större betydelsen av inhemsk utvecklingsverksamhet som skulle komma att
lägga grunden för många av de svenska verkstadsföretag (Klas Fregert, 2005) (Unionen, 2008)
(Kendall, 1953)som idag är multinationella koncerner.
Tekniska framsteg som kännetecknade perioden var som nämnts järnvägen men också vatten-,
avlopps- och gasverk, urbanisering, kanalbyggen, elektrifiering, vattenkraft, mekaniska verkstäder
och kemisk industri med mera.
Efter andra världskriget tog eran som har kommit att kallas för guldåldern vid. Denna varade fram till
1970 då så gott som samtliga västländers ekonomier avtog. Sedan dess har svensk ekonomi i termer
av BNP-tillväxt varit sämre relativt OECD-genomsnittet. Detta har sin förklaring i en rad orsaker,
däribland en hög osäkerhet i kapitalavkastning vilket har minskat investeringarna.
Ytterligare en orsak har visat sig vara att svensk industri domineras av storföretag, vilket indikerar att
möjligheterna för nyföretagande är begränsade nu jämfört med för 100 år sedan.
12
De utmaningar som den svenska ekonomin står inför under de närmaste kommande decennierna är
bland annat en åldrande befolkning men också ökad konkurrens i form av globalisering och
därigenom risken för förlust av arbetskraft och investeringar. Som en konsekvens av globaliseringen
sker idag hälften av produktionen i svenska storföretag i utlandet. Traditionellt sett har Sverige satsat
starkt på forskningsverksamhet, trots detta växer andelen av högteknologisk produktion i utlandet.
Motverkande åtgärder för att minska human- och realkapitalflykt till utlandet är en god social
infrastruktur som möjliggör god avkastning på investeringar i landet. För den här uppsatsens
specifika ändamål skall därför verkstadsindustrins betydelse i sammanhanget undersökas i nästa
avsnitt, dess härkomst, utveckling och position i dagsläget.10
3.3.2 Svensk verkstadsindustri
Som redan nämnts i inledningsstycket utgör verkstadsindustrin den största näringsgrenen i Sverige
med ca. 24.500 företag och sammanlagt över 300.000 anställda. Den står för närmare hälften av
varuexporten och i termer av forskningsinvesteringar satsar verkstadssektorn som industrigren
överlägset mest. Företagen är spridda över så gott som hela landet men huvudkoncentrationen av
företag finns i Skåne, Västra Götaland och Stockholmsregionen. Som även belysts i föregående
avsnitt har branschen tack vare globaliseringen blivit allt mer konkurransutsatt men samtidigt fått
tillgång till nya marknader, främst i form av tillväxtekonomierna.
Branschen är främst strukturerad kring relativt få men stora företag. De 15 största företagen har
tillsammans ca. 40% av antalet anställda och omsätter sammanlagt över 900 miljarder SEK. Samtidigt
har 90% av företagen i branschen färre än 50 anställda. Detta beror till viss del på att de stora
industrierna i allt större utsträckning outsourcar delar av produktionen och andra tjänster i syfte att
binda minimalt med kapital och därigenom bli mer flexibla mot omvärldsförändringar. Trenden är att
storföretagen minskar sin andel av skapat förädlingsvärde medan de istället skapar större
inköpsnätverk och således färre anställda i Sverige.
Globaliseringstaktiken hos svenska verkstadsföretag fyller ytterliggare en funktion, nämligen
riskminimering. Geografisk spridning i kombination med en diversifierad produktportfölj minimerar
företagens konjunkturkänslighet. Vidare har intäktssidan förändrats och i allt större utsträckning
kommit att även omfatta tjänster i form av bland annat underhåll och serviceavtal.
Verkstadsindustrin kan vidare delas in i fyra undergrupper; transportmedel, maskiner, elektro och
metallvaruindustri.
10 (Klas Fregert, 2005)
13
Till transportmedelsindustrin hör, för den här undersökningen berörda företag, Scania och AB Volvo.
Motsvarande för maskinindustrin är Atlas Copco, Alfa Laval och SKF som tillverkar en rad olika
verktyg för bland annat gruv- och transportnäringar. Elektroindustrin största aktör är ABB som
utvecklar och tillverkar en rad olika elektronikprodukter så som ställverk, generatorer,
frekvensomriktare och styrsystem. Även Assa Abloy är verksam inom denna näringsgren då de
tillverkar elektronisk passagekontroll, identifieringsprodukter och låsprodukter mm. Till
metallvaruindustrin hör Sandvik som tillverkar en mängd olika stål och och metallprodukter.
Slutsatsen är att verkstadsindustrin är en tämligen inhomogen bransch med väldigt stort
utlandsengagemang både i form av kunder men också personal och tillverkning.11
3.3.3 ”Random Walk” och effektiva marknadshypotesen
1953 publicerade Maurice Kendall ”The Analysis of economic time series, Part 1: Prices”12, där han
fann att aktiepriser följde ett stokastiskt mönster – de var lika sannolikt att de gick upp som ner
under en dag givet historiska kurser. Slumpmässigheten innebär att aktiepriserna är oförutsägbara
och antas följa en så kallad ”random walk”.
Förklaringen bakom oförutsägbara aktiepriser är tämligen rättfram och numera vedertagen. Givet en
förutsägelse om en framtida prisstegring investerar den rationelle investeraren i tillgången samtidigt
som säljaren blir mindre villig att sälja. Följdaktligen sker en omedelbar prisökning, vilken ska
reflektera den förutsagda värdeökningen. Vidare innebär detta att all information om en framtida
kursutveckling således blir nutida information. Detta leder således till att aktiekurser förväntas spegla
all tillgänglig information på marknaden.
Aktieprisernas slumpmässighet kan därför ses som ett tecken på en effektiv marknad. Under
antagandet att aktiepriset är rationellt bestämt kan endast ny information ändra det. ”Random walk”
speglar därför alltid all tillgänglig information. Om aktiepriset skulle kunna förutsägas skulle detta
vara ett tecken på en ineffektiv marknad.
Med bakgrund i den effektiva marknadshypotesen (och givetvis att dessa bolags utstående aktier
handlas på en effektiv marknad) antas därför att förväntade faktorvariationer är tillgänglig
information och därmed inkorporerade i bolagens aktiepris (och avkastning). Därför utförs
regressionen med de oförväntade förändringarna i respektive förklarande variabels avkastning som
oberoende variabler.
11
(Unionen, 2008) 12 (Kendall, 1953)
14
Den oförväntade förändringen erhålls genom att först genomföra en linjär regression (utan
skärningspunkt) enligt:
, (3.23)
Där sedan utgör den oförväntade förändringen tillika en av de förklarande variablerna i
huvudregressionen: . Detta är en så kallad första ordningens
”auto-regressive” (AR(1)) modell. I denna uppsats kallas denna regression för förberedande då den
ger indata till ”huvudregressionen”.
3.3.4 Den beroende variabeln
För att dels förstå bakgrunden till val av faktorer och därmed den ekonometriska undersökningen
samt den därpåföljande analysen av resultaten krävs en genomgång av den beroende variabelns
ingående bolag. Den beroende variabeln består av de 8 största verkstadsbolagen på
Stockholmsbörsen, nämligen ABB, Alfa Laval, Assa Abloy, Atlas Copco, Sandvik, Scania, SKF och AB
Volvo och är ett likaviktat medelvärde av dessas avkastning under den givna tidsperioden.
Tidsperioden utgörs av månadvisa slutkurser (och för mertalet faktorer månadsgenomsnitt) mellan
juni 2002 och februari 2011, sammanlagt 105 mätvärden.
ABB
ABB är det I sammanhanget efter omsättning (varav hälften utgörs av Europa-marknaden tillika den
största för ABB) största bolaget. Dess verksamhetsområde är brett beskrivet överföring och
distribution av elektricitet, kraftanläggningar, motorer, drivsystem, generatorer, industrirobotar,
automationslösningar och skyddsutrustning för elektrisk överbelastning. Bolaget har verksamhet i ca
hundra länder. 13
Alfa Laval
Alfa Laval omfattar drygt 12.000 anställda varav majoriteten i Sverige. Företagets huvudsakliga
verksamhetsområde är som leverantör av värmeväxlare, seperatorer samt pumpar och valv. Bolagets
produkter används i ett brett spektrum av industri, från raffinaderier till matproduktion, läkemedel
och gruvdrift. Kunderna utgörs av entreprenadföretag och återförsäljare medan Alfa Lavals
skräddarsydda system som regel säljs via egna säljbolag världen över.14 15
13
Hämtat från: (Dagens Industri, n.d.) 2011-03-29 14
Hämtat från (Dagens Industri, n.d.)2011-03-29 15 (Alfa Laval, 2009)
15
Assa Abloy
Assa Abloy tillverkar dörröppningssystem såsom lås och övrig dörrsäkerhet till konsument och
företag. Verksamheten omfattar utöver lås, cylindrar, elektromagnetiska produkter, säkerhetsdörrar,
beslag, elektronisk passagekontroll, identifieringsutrustning och låssystem för hotellnäringen.
Verksamheten är etablerad i hela världen och marknadsledande i Europa och Nordamerika.1617
Atlas Copco
Atlas Copco har verksamhet i 170 länder och omkring 30.000 anställda. Företaget tillverkar
kompressorer, anläggnings- och gruvutrustning samt en rad andra industriverktyg och
monteringssystem. Liksom övriga bolag utgör Europa och Nordamerika koncernens största
kundmarknader.
Sandvik
Sandvik bedriver verksamhet i över 130 länder och har ca. 44.000 anställda. Kundområdena omfattar
bland annat gruv-, verkstad-, energi-, flyg-, anläggnings- och fordonsindustrier. Till dessa näringar
tillverkar Sandvik maskiner och verktyg i hårdmetall och snabbstål samt en rad rostfria produkter.
Utöver detta tillverkar bolaget produkter i keramiska material, i titan och en rad speciallegeringar.
Företagets huvudsakliga kundregion är Europa.18
Scania
Scania har ca. 35.000 anställda, huvudsakligen i Sverige men också i bland annat Polen, Ryssland och
Brazilien. Scania’s huvudsakliga affärsområden omfattar lastbilar, bussar, motorer och en rad
serviceprodukter. Liksom övriga bolag i klassen utgör Europa huvudmarknaden.19
SKF
SKF är representerat i över 130 länder via sina tillverkningsplatser och säljbolag. Produkterna
omfattar främst rullningslager, tätningar, mekatronik, service och smörjsystem. Vidare
eftermarknadstjänster är bland annat teknisk support, underhållstjänster och utbildning. Kunderna
omfattar i stort fordonsindustrin och den industriella eftermarknaden. Huvudsakligt kundområde är
Västeuropa.20 21
16 Hämtat från (Dagens Industri, n.d.) 2011-03-29 17 (Assa Abloy, 2009) 18
(Sandvik, 2009) 19
Hämtat från: (Dagen Industri, n.d.) 2011-03-29 20 (SKF, 2009)
16
AB Volvo
Volvo-koncernen är sett till antal anställda det största bolaget i gruppen med sina 90.000. Försäljning
sker i så gott som samtliga världens länder. Koncernen omfattar bussar, lastbilar, motorer,
anläggningsmaskiner, flyg- och båtmotorer och motorer till industriella användningsområden. Liksom
övriga bolag utgör AB Volvo’s huvudsakliga kundområde av Europa och Nordamerika följt av Asien.
Lastbilar utgör majoriteten (67%) av koncernens omsättning.22
Sammantaget
Som framgår av ovanstående undersökning har bolagen en rad gemensamma faktorer, däribland
internationell etablering (främst i Europa och Nordamerika), brett produkt- och serviceutbud samt
ett relativt jämt råvaruberoende. Detta bereder en bas inför val av förklarande variabler. Samtidigt
indikerar bolagens likheter att deras avkastning borde vara förhållandevis högt korrelerad, vilket
följande korrelationsmatris även visar:
Tabell 1: Korrelation mellan inkluderade bolag.
21
(Volvo AB, 2009) 22 Hämtat från: (Dagens Industri, n.d.) 2011-03-29
Volvo Scania Atlas Copco Sandvik Alfa Laval SKF ABB Assa Abloy
Volvo 1.0000 0.7710 0.6931 0.6569 0.5234 0.6466 0.4195 0.5501
Scania 0.7710 1.0000 0.6416 0.5223 0.4950 0.5907 0.4378 0.5767
Atlas Copco 0.6931 0.6416 1.0000 0.6749 0.5139 0.8324 0.2775 0.5886
Sandvik 0.6569 0.5223 0.6749 1.0000 0.5120 0.7209 0.1954 0.5070
Alfa Laval 0.5234 0.4950 0.5139 0.5120 1.0000 0.4704 0.3253 0.2998
SKF 0.6466 0.5907 0.8324 0.7209 0.4704 1.0000 0.2463 0.5912
ABB 0.4195 0.4378 0.2775 0.1954 0.3253 0.2463 1.0000 0.4635
Assa Abloy 0.5501 0.5767 0.5886 0.5070 0.2998 0.5912 0.4635 1.0000
17
Vidare illustreras den genomsnittliga avkastningen och dess fördelning (histogram) nedan:
Figur 3: Den beroende variabeln plottat över tid.
Figur 4: Histogram och motsvarande normalfördelning för den beroende variabeln.
Där medelvärdet är 0,0163 och standardavvikelse på 0,0773.
18
Total risk hos tillgången
Systematisk risk
Makrofaktorer
Marknadsfaktorer
Tillgångsspecifik risk
3.3.5 Val av förklarande variabler
Vid val av faktorer är det viktigt att beakta risken för hög kolinjäritet mellan faktorerna samtidigt som
antalet faktorer måste vara tillräckligt många för att på ett tillfredställande sätt förklara den
undersökta variabeln. Hög kolinjäritet mellan förklarande faktorer är således inte önskvärt medan
det är eftersträvansvärt mellan förklarande och beroende variabler.
För att dela upp valet av faktorer samt för att på ett enkelt sätt åskådliggöra förfarandet delas först
bestämningsgrunderna för tillgångens avkastning in enligt nedan:
Vad som i sin tur bestämmer avkastningen på, i detta fall börsnoterade verkstadsbolag, är förändring
i bolagens aktiekurs. Ett företags aktiekurs ges av dess P/E-ratio multiplicerat med vinst per aktie
(EPS). Med utgångspunkt i att bolagens (förväntade) vinst utgör en beståndsdel för dess aktiekurs
och således aktiens avkastning bestäms faktorerna enligt ovanstående indelning.
På dagens dynamiska marknader kan betydelsen av faktorer variera över tiden. En faktor som är
signifikant vid en viss tidpunkt kan tappa sin betydelse och bli ersatt av en annan. Faktorerna skall
därför i görligaste mån vara omfattande, statistiskt signifikanta, intuitiva och ha ekonomisk
förklaringsgrund samt vara linjärt oberoende. Vidare implicerar effektiva marknader att all
information är tillgänglig för alla investerare, vilket gör att faktorers påverkan såsom ränta, oljepris
etc. kan anses vara inbakade i aktiekurserna. Bakgrunden till främst ”råvarufaktorerna”, råolja och
metalpris, är att dessa förekommer i bolagens årsredovisningar som just faktorer som har inverkan
på bolagens resultat. Nedan följer en redovisning av valda faktorer.
Figur 5: Schematisk framställning av en tillgångs riskstruktur.
19
Makrofaktorer
Ränta
Riskfri ränta inbegrips som en gängse faktor i många modeller, däribland CAPM, Fama & French mfl.,
så även i denna. I denna modell delas räntan upp i två beståndsdelar; 3 månaders statsskuldsväxlar
och 10 års statsobligationer. Den kortare av de två utgör för en kortare investeringshorisont dels en
alternativ placering men också en diskonteringsfaktor för handlade tillgångar. Statsskuldsväxlarna
används dessutom som reglerande instrument för inflationen i landet.
Den långa räntan, 10 års statsobligationer skall fånga den långsiktiga marknadsrisken för
verkstadsbolagen mot förändringar i ränteläget. Nedan illustreras utvecklingen för respektive ränta
för den undersökta perioden.
Figur 6: Kort och lång ränta över tid.
Tidpunkten för de enorma fallen för både kort och lång är augusti 2008, nämligen då den senaste
finanskrisen uppenbarade sig. Vad som även är tydligt i ovanstående figur är korrelationen mellan de
båda räntorna, vilken är 0,7321. Tumregeln är att korrelationskoefficienter över 0,8 anses ha skadlig
inverkan på en regressionen.
20
Inflation
Syftet med att inkludera inflation som faktor är delvis för att fånga relativprisförändringar men också
förändringar i ökningstakten av den allmänna prisnivån. Inflationen påverkas av hur centralbanken
reglerar mängden pengar men också om mängden varor och tjänster som efterfrågas överstiger den
mängd som företagen kan producera. Ytterliggare en faktor som påverkar inflationen är företags och
hushålls förväntningar gällande prisnivåer. Detta i och med höjda löneanspråk. Inflationen för den
undersökta perioden redovisas nedan:
Figur 7: Sveriges inflation över tid.
21
Valutakurs
Som framgår i undersökningen av den svenska verkstadsindustrin utgör EU-25 samt USA stora
marknader för de bolag vars genomsnittliga avkastning den beroende variabeln utgör. Utöver dessa
regioners funktion som kunder utgör de även en viktig roll som bas för diverse underleverantörer och
serviceföretag. Dessutom är USA och EU-25 individuellt tillräckligt stora aktörer för att påverka
världsmarknadsläget signifikant. Med bakgrund i detta utgör valutavariabeln EUR/USD en viktig och
intressant komponent i sammanhanget. Som framgår har dollarkursen en tydligt fallande trend
gentemot euron. Växelkursutvecklingen under den undersökta perioden redovisas nedan:
BRIC-ländernas tillväxt
BRIC är det samlingsnamn (myntat av Goldman-Sachs-ekonomen Jim O’Neil) som betecknar länderna
Brazilien, Ryssland, Indien och Kina23. Dessa länder har under en längre tid gått under epitetet
tillväxtekonomier i samband med de höga utvecklingstakterna i handeln som dessa länder uppvisat.
Även i så gott som samtliga undersökta bolags årsredovisningar framhålls alla eller några av dessa
tillväxtekonomiers betydelse för handeln. För samtliga länder utgör EU-27 den viktigaste
handelspartnern.
23 (Kommerskollegium, 2001)
Figur 8: Valutakurs över tid.
22
Vad som däremot skiljer länderna åt är exporten och importens sammansättning, där exempelvis
Indiens handelskvot i betydligt större utsträckning utgörs av servicetjänster än tex. Brasilien vars
jordbruk står (nu liksom förr) för en betydande del av landets ekonomi. Länderna delar med andra
ord enbart en tillväxtpotential snarare än gemensam handelssammansättning.
Som värdemätare på BRIC-ländernas utveckling väljs MSCI’s BRIC index. Detta index är ”free-float
adjusted”, kapitalviktat och är en sammanslagning av MSCI Brazil, MSCI Russia, MSCI India och MSCI
China-indexen. Indexet syftar till att ge en övergripande representation av aktiemarknadernas
prestation i dessa länder. Vidare består det av över 200 aktier.24 Indexets utveckling redovisas nedan:
Figur 9: BRIC-indexet över tid.
24 Hämtat från: (MSCI Barra, n.d.) 2011-03-30
23
Marknadsfaktorer
Råoljepris
Priset på råolja är inte bara en indikator på det internationella ekonomiska konjunkturläget utan
även en råvara som påverkar företagens balansräkningar eftersom många styckdetaljer är
oljebaserade (plast) men även pga. skillnader i transportpriser. Referenspriserna på råolja utgörs av
nordsjöoljan Brent, amerikansk WTI (West Texas Intermediate) och Dubai Crude. Som faktor i denna
undersökning används således ett lika viktat medelvärde av spot-priset (USD/Fat) för dessa tre rå
oljor. Prisutvecklingen visas nedan:
Figur 10: Pris på råolja över tid.
Metalpris
För de bolag som ingår i denna undersökning utgör metall en råvara som förädlas för att slutligen
ingå i de produkter som tillverkas. Det har framhållits i årsredovisningar att metallpriser påverkar
bolagens resultat, detta trots att råvarans pris har en relativt liten kortsiktig påverkan på
slutproduktens pris.25 Även på medelfristig sikt är metalefterfrågan förhållandevis inelastisk och
avviker endast i sådana fall där komponenter går att ersätta substituera. Vidare är produktionstakten
oflexibel. Den tillgängliga datan över metallpris visar brasilianskt järnmalm med ett Fe-innehåll på
64,5% i Cent/Fe-enhet.
25 (German, 2005)
24
Figur 11: Pris på järnmalm över tid.
Elpris
Ytterliggare en råvara är elektrisitet. Priset på denna påverkar bolagen i form av högre eller lägre
produktionskostnader. Datan för elpriset är hämtad från Nord Pool Spot group som är den största
elektrisitetsmäklaren i världen. Nord Pool förmedlar över 70% av all el i norden och deras systempris
fungerar som referenspris för grossistmarknaden och kundmarknaden.26 Prisutvecklingen i EUR per
MWh, som tydligt är säsongsberoende, redovisas nedan:
Figur 12: Elpris över tid.
26 Hämtat från: (Nordpol, n.d.) 2011-03-30
25
Sammantaget
Som framgår ur tidsdiagrammen för samtliga (elpriset exkluderat) förklarande variabler sker drastiska
fall i samband med den finansiella krisen som påbörjades under 2008. Dessa shockrörelser i
variablerna kan leda till icke-rättvisande estimat om regressionen löper över dessa. Därför delas
regressionen upp i tre delar; en som löper över hela tidsintervallet, en innan finanskrisen och en
efter. Vidare är det faktorernas avkastningar (borträknat inflation, växelkurs och räntor) som används
i tidsserierna. Vid okulär besiktning av prisutvecklingen framgår även att en viss grad av kolinjäritet
mellan de förklarande variablerna existerar. Korrelationsmatrisen för de förklarande variablerna
redovisas nedan:
Tabell 2: Korrelationsmatris för faktorerna i den förberedande regressionen.
Tabell 3: Korrelationsmatris för faktorerna i huvudregressionen.
De två räntorna visar oroväckande höga korrelationer mellan. Det gör även den ränteläget både på
lång och kort sikt gentemot växelkursen. I övrigt är korrelationerna förhållandevis väldigt låga.
Järn Olja BRIC SSV 3M SV GVB 10 År Euro till USD El Inflation
Järn 1.0000 0.0672 -0.1181 0.1128 0.0622 -0.0667 -0.0354 0.0105
Olja 0.0672 1.0000 0.2790 -0.0543 0.0686 -0.0536 0.0477 -0.1866
BRIC -0.1181 0.2790 1.0000 -0.2021 -0.0915 0.0167 0.0032 -0.3471
SSV 3M 0.1128 -0.0543 -0.2021 1.0000 0.7321 0.2257 0.0906 0.7734
SV GVB 10 År 0.0622 0.0686 -0.0915 0.7321 1.0000 0.5221 0.1139 0.3234
Euro till USD -0.0667 -0.0536 0.0167 0.2257 0.5221 1.0000 0.0758 -0.0251
El -0.0354 0.0477 0.0032 0.0906 0.1139 0.0758 1.0000 -0.0028
Inflation 0.0105 -0.1866 -0.3471 0.7734 0.3234 -0.0251 -0.0028 1.0000
E_järn E_olja E_BRIC E_SSV 3M E_SV GVB 10 År E_euro_usd E_el E_inflation
E_järn 1.0000 0.0695 -0.1295 0.0360 -0.0500 -0.0155 -0.0330 -0.1259
E_olja 0.0695 1.0000 0.1531 0.1173 0.0778 -0.0569 -0.0138 0.2206
E_BRIC -0.1295 0.1531 1.0000 0.0210 -0.0089 -0.0910 -0.0326 -0.1187
E_SSV 3M 0.0360 0.1173 0.0210 1.0000 0.8915 0.8382 0.1589 0.5004
E_SV GVB 10 År -0.0500 0.0778 -0.0089 0.8915 1.0000 0.9347 0.1547 0.4121
E_euro_usd -0.0155 -0.0569 -0.0910 0.8382 0.9347 1.0000 0.1289 0.3681
E_el -0.0330 -0.0138 -0.0326 0.1589 0.1547 0.1289 1.0000 0.1943
E_inflation -0.1259 0.2206 -0.1187 0.5004 0.4121 0.3681 0.1943 1.0000
26
Jämförelsefaktorer
Som jämförelse till den ekonomiska faktormodell som baseras på bla. vad som anges i bolagens
årsredovisningar används Fama & French tre-faktormodell. Denna baseras på tre riskfaktorer;
marknadens riskpremium (CAPM’s faktor), SML/SMB vilken står för Small minus Large/Small minus
Big och representerar skillnaden i avkastning mellan portföljer bestående av tillgångar med litet
respektive stort marknadsvärde (marknadsvärde definieras som aktiepris multiplicerat med
utstående aktier) och HML vilken står för High minus Low och på motsvarande sätt representerar
skillnaden i avkastning för tillgångar med högt respektive lågt ”book-to-market-value” (BE/ME).27
Dessa komplementära faktorer till CAPM-modellen har visat sig reducera prisavikelserna till sagda
modell. Syftet är att jämföra den framtagna ekonomiska modellen med en fundamental faktor-
modell i termer av förklaringsvärde. Både SML och HML är hämtade från Kenneth French’s hemsida
och innehåller amerikanska data.28
3.3.6 Modellens begränsningar
En modell av den här typen är givetvis förknippad med en rad begränsningar. I en faktormodell
kvarstår oavsett om de presenterade robusthetstesten visar sig positiva problematiken med
utelämnade variabler och kausalitetens riktning, det vill säga vad som orsakar vad.
Vidare är tillgängligheten av data alltid en begränsande faktor när det kommer till att konstruera
underlag till modellen. För att modellera verkstadsbranschen valdes i denna undersökning de 8
största bolagen registrerade på Stockholmsbörsen. De olika bolagen skiljer sig däremot åt genom att
de genom tiderna har varit föremål för diverse sammanslagningar och förvärv vilket medför att deras
aktiehistorik (under deras nuvarande bolagsbeteckning) sträcker sig olika långt tillbaka i tiden.
Ytterliggare begränsningar hos modellen är dess oförmåga att fånga icke-linjära samband samt dess
eventuellt temporära validited, iom. att förutsättningarna för att konkurrera och generera vinst inte
är konstanta kommer heller inte ekonomiska faktormodeller att kunna spegla detta om inte
faktorerna ändras, byts ut eller på annat sätt modifieras.
27
(Alexander, 2008) 28 Hämtat från: (French, n.d.) 2011-04-02
27
4 Analys
4.1 Regressionens resultat
Den beroende variabeln i undersökningen konstrueras av de åtta enskilda bolagen presenterade i
avsnitt 3.3.4 enligt följande medelvärdesbildning:
, (4.1)
Där representerar vektorn innehållandes respektive bolags avkastning under den givna
tidsperioden.
Den förberedande regressionen, beskriven i avsnitt 3.3.3, ger faktorerna för huvudregressionen
enligt:
, (4.2)
Dessa vektorer utgör sedan matrisen X enligt tidigare notation;
, (4.3)
Resultaten för de tre regressionerna (pre-kris, post-kris och över hela tidsperioden) redovisas i
nedanstående tabeller:
Tabell 4: Resultat för regressionen under tidsperioden före krisen.
Före
Faktor Beta StdErr tStat pVal R^2
Konstant 0.018411 0.010489 1.7553 0.085102 0,1211
E_järn 0.12543 0.10275 1.2207 0.2277
E_olja -0.16625 0.13127 -1.2665 0.21098 Obs#
E_BRIC 0.22984 0.14262 1.6115 0.11312 61
E_SSV 3M -0.030491 0.085094 -0.35833 0.72155
E_SV GVB 10 År 0.0011093 0.067683 0.01639 0.98699
E_euro_usd -0.00055466 0.33553 -0.0016531 0.99869
E_el -0.012504 0.052466 -0.23832 0.81257
E_inflation 0.058055 0.029981 1.9364 0.058267
28
Tabell 5: Resultat för regressionen under tidsperioden efter krisen.
Tabell 6: Resultat för regressionen under hela tidsperioden.
I presenterade regressioner är dessvärre ett slående antal få faktorer signifikanta. Ingen är signifikant
i mer än en regression och i den som spänner över tidsperioden före krisen är ingen faktor signifikant
vid en 5%-nivå. För att undersöka genomförda regressioners validitet krävs att ovan beskrivna
robusthetstest utförs och att felestimat korrigeras.
Efter
Faktor Beta StdErr tStat pVal R^2
Konstant 0.0012307 0.012723 0.096731 0.92348 0,2335
E_järn 0.038579 0.12704 0.30368 0.76312
E_olja 0.42327 0.19532 2.1671 0.036924 Obs#
E_BRIC 0.10621 0.14974 0.70931 0.4827 45
E_SSV 3M 0.027478 0.059519 0.46167 0.6471
E_SV GVB 10 År -0.043775 0.08152 -0.53698 0.59458
E_euro_usd 1.0602 0.66509 1.5941 0.11966
E_el -0.029543 0.07297 -0.40486 0.68798
E_inflation -0.053748 0.030798 -1.7452 0.089482
Hela tidsperioden
Faktor Beta StdErr tStat pVal R^2
Konstant 0.012511 0.0080303 1.558 0.12253 0,0659
E_järn 0.083193 0.080371 1.0351 0.30322
E_olja 0.052445 0.10389 0.50483 0.61484 Obs#
E_BRIC 0.20806 0.10131 2.0537 0.042721 105
E_SSV 3M -0.030717 0.039293 -0.78174 0.43629
E_SV GVB 10 År 0.012023 0.047161 0.25494 0.79932
E_euro_usd 0.053493 0.21859 0.24471 0.8072
E_el -0.025599 0.042952 -0.59599 0.55258
E_inflation -0.0019788 0.020267 -0.09764 0.92242
29
4.2 Robusthetstestens resultat
I detta avsnitt redovisas resultaten av robusthetstesten som presenteras i avsnitt 3.2.
RESET-test
I RESET testet läggs samt till i ”test-regressionen”, där , det vill säga den
genomförda regressionens skattning av y. Vidare appliceras ett F-test enligt;
, (4.4)
, (4.5)
Där J=9, N=105 och K=10. Från tabell fås ;
, (4.6)
Det går inte att förkasta enligt ovan. Den beroende variabeln y behöver nödvändigtvis inte
förklaras med potenser eller kombinationer av faktorerna givna i modellen, vilket går att härleda till
modellens låga signifikansnivå.
Heteroskedastik
White-testet, beskrivet i avsnitt 3.2.2, genomförs med residualerna i kvadrat från regressionen i
avsnitt 4.2. Samtliga faktorer kvadreras och adderas så att Z-matrisen får följande form;
, (4.7)
Där representerar transponatvektorn för respektive faktor. Resultatet av F-testet (vid 5%
signifikansnivå) för regressionen är;
, (4.8)
, (4.9)
Det går alltså inte att förkasta . Detta ger att heteroskedastik
inte torde vara ett problem i den givna regressionen. För att ytterliggare undersöka förekomsten av
heteroskedastik görs ett sk. ”eye-ball”-test, vilket innebär att man plottar de kvadrerade residualerna
mot varje enskild faktor och letar efter möjliga samband. Inte heller Eye-ball-testet visar tecken på
heteroskedastik. Detta redovisas i appendix A.
30
Autokorrelation
Enligt beskriven procedur i avsnitt 3.2.3 testas, genom ett sk. Durbin-Watson-test, om regressionen
följer en AR(1)-process. Durbin-Watsons test-statistika ges av;
, (4.10)
Där betecknar autokorrelationsparametern i ekvationen . Enligt ovanstående
approximativa ekvation antyder d ingen eller liten autokorrelation. Från den genomförda
regressionen erhålls d = 2,2776 vilket ger ett värde på autokorrelationsparametern;
, (4.11)
En svag negativ autokorrelation. För N=105 och k=8 (konstanten borträknad) och 5% signifikansnivå
är
, (4.12)
, (4.13)
Det går inte att förkasta för positiv autokorrelation. Motsvarande för negativ är (4-d)=1,7224 där
alltså Durbin-Watson-testet visar sig vara ofullständigt vid 5% signifikansnivå. För att vidare
undersöka den negativa autokorrelationen krävs därför ett sk. Breusch-Godfrey-test. I likhet med
tidigare robusthetstest utgår man från följande hjälpregression (som i det här fallet är begränsas till
att undersöka första ordningens autokorrelation);
, (4.14)
För att undersöka högre ordningens autokorrelation adderas ytterliggare laggade termer analogt.
Signifikansen av undersöks för den genomförda hjälpregressionen. Resultatet redovisas i
nedanstående tabell:
31
Tabell 7: Resultatet av Breusch-Godfrey-testet för AR(1).
Värdet på skiljer sig från det som uppskattats i Durbin-Watson-testet. Vad som framgår ur
ovanstående tabell är att den negativa autokorrelationen inte är signifikant vid 5%-nivån, dock för en
10% signifikansnivå.
Korrelation mellan feltermen och de förklarande variablerna
På samma sätt som korrelationerna mellan de förklarande variablerna undersöktes i avsnitt 3.3.5
undersöks feltermens korrelation med de förklarande variablern. Korrelationskoefficienterna
redovisas nedan:
Som framgår av ovanstående tabell är ingen av faktorerna alarmerande korrelerade med feltermen.
Feltermens fördelning
En av förutsättningarna för en flervariabel OLS-regression är att feltermen skall vara normalfördelad
enligt ). För att undersöka detta används det sk. Jarque-Bera-testet. Resultatet blir att
: ) kan förkastas vid en signifikansnivå på 0.0106. En av anledningarna till detta
resultat är att JB-testet är mer rättvisande för stora N. En okulär besiktning av feltermens fördelning
visar på att den är nära normalfördelning;
Faktor Beta StdErr tStat pVal
Konstant -0.0012711 0.0079869 -0.15915 0.87389
E_järn 0.011787 0.079887 0.14754 0.88302
E_olja -0.042864 0.10591 -0.40473 0.68659
E_BRIC 0.10417 0.1175 0.88661 0.37753
E_SSV 3M -0.0017987 0.038924 -0.04621 0.96324
E_SV GVB 10 År 0.010836 0.047132 0.2299 0.81866
E_euro_usd -0.038028 0.21761 -0.17475 0.86164
E_el 0.011746 0.043089 0.27259 0.78576
E_inflation -0.0030083 0.020147 -0.14932 0.88162
e_t-1 -0.21256 0.12481 -1.7031 0.091813
Faktor E_järn E_olja E_BRIC E_SSV 3M E_SV GVB 10 År E_euro_usd E_el E_inflation e_t
e_t -0.0201 -0.1186 0.5103 0.0483 0.0661 0.0155 0.1206 -0.1425 1.0000
32
Figur 12: Feltermens fördelning med inritad normalfördelningskurva.
4.3 Jämförelse med fundamental modell
För att jämföra den ekonomiska modellen som tagits fram med grundval av bolagens
årsredovisningar men som också inkluderar flertalet makroekonomiska och marknadsmässiga
faktorer används den välkända Fama & French 3-faktorsmodell som beskrivs i avsnitt 3.1. Resultatet
av regressionerna för Fama & French modell redovisas nedan;
Tabell 8: Resultat av regressionen av Fama&French modell för tidsperioden före finanskrisen.
Tabell 9: Resultat av regressionen av Fama&French modell för tidsperioden efter finanskrisen.
Före
Faktor Beta StdErr tStat pVal R^2
F_SSV 3M 0.008201 0.0031964 2.5657 0.01277 0.7828
R_m - F_SSV 3M 0.011038 0.0027839 3.9651 0.000195
SMB -0.007394 0.003745 -1.9744 0.052915 Obs#
HML -0.012047 0.0042908 -2.8075 0.006705 61
Efter
Faktor Beta StdErr tStat pVal R^2
F_SSV 3M -0.0065122 0.0047855 -1.3608 0.1806 0.8888
R_m - F_SSV 3M 0.0024684 0.0025087 0.98393 0.33043
SMB -0.0075899 0.0050511 -1.5026 0.14008 Obs#
HML -0.00022637 0.0029603 -0.076469 0.93976 45
33
Tabell 10: Resultat av regressionen av Fama&French modell för hela tidsperioden.
Att utvärdera deras modell i termer av validitet och robusthet ligger utanför den här uppsatsens
omfattning. Vad som däremot kan extraheras ur ovanstående resultat är det det märkbart höga
värdet på R^2 för samtliga tidsperioder samt att, med undantag för tidsperioden efter finanskrisen,
har modellen hög signifikansnivå. Detta visar på att Fama&French fundamentala faktormodell, föga
förvånande, överträffar den framtagna ekonomiska faktormodellen både i termer av förklaringsvärde
och signifikans. Dock är faktorernas beta väldigt små i samtliga fall.
Hela tidsperioden
Faktor Beta StdErr tStat pVal R^2
F_SSV 3M 0.0022632 0.0028157 0.80377 0.42333 0.9386
R_m - F_SSV 3M 0.0058496 0.0019011 3.077 0.002667
SMB -0.0067948 0.0031809 -2.1362 0.035003 Obs#
HML -0.0028588 0.0023535 -1.2147 0.22747 105
34
5 Diskussion
5.1 Regressionens resultat
En uppenbar brist i de regressioner som gäller tidsperioderna före respektive efter den punkt som
utefter datan har betecknats som finanskris är den låga mängd data. Vidare är samtlig data baserat
på månadsgenomsnitt vilket i vissa fall kan ge upphov till missvisande resultat.
Vad gäller regressionen före finanskrisen är det endast den oförändrade förändringen i inflation som
är nära en signifikansnivå på 5%. Vidare är den konstanta termen signifikant på vid 10%. Vidare så
tyder resultaten av regressionen på att faktorerna intuitivt har rätt tecken, järnpriset borträknat.
Resultatet av järnpriset bör dock betraktas med försiktighet då den enda tillgängliga datan (som var
gratis) var konstanta prisnivåer av Brasilianskt järnmalm. Vidare är förklaringsnivån i förhållande till
Fama & French modell låg, både vad gäller signifikans men också i termer av R^2. Dock är modellens
beta något större.
Regressionen för tidsperioden efter finanskrisen visar på än mindre signifikanta resultat, R^2-värdet
undantaget. Detta kan delvis förklaras av ett allt för lågt värde på antalet observationer men också på
att marknaden under större delen av den här tidsperioden uppvisade abnormal osäkerhet. De
faktorer som visat sig vara signifikanta är det oljepriset, inflationen och växelkursen vilket visar på
samvariationerna mellan aktieavkastningen på verkstadsbolagen och dessa ekonomiska variablers
variationer. Växelkursen har dessutom tillskrivits ett förhållandevis väldigt högt beta under sagda
period vilket kan bero på fall i respektive valuta. Vidare har olja, den långa och den korta räntan,
växelkursen samt inflationen bytt tecken. Detta tros snarare vara osäkerhet på marknaden under
perioden snarare än faktiska långsiktiga förhållanden.
Vad gäller regressionen under hela den undersökta tidsperioden är R^2 värdet i förhållande lägst
samtidigt som antalet signifikanta variabler reduceras till en. Dessutom är de intiutiva tecknen för
olja och järnpris inte naturliga i denna regression samt övriga variabler långt ifrån signifikanta. För att
vidare undersöka regressionen före finanskrisen väljs den högt korrelerade långa ränta (som är starkt
korrelerad med den korta och har ett nästintill obefintligt beta) bort samt att N 10*K (tumregel för
tidsserie-statistik). Resultatet blir;
35
Tabell 11: Resultat för tidsperioden före finanskrisen med den långa räntan borttagen.
Resultatet har samma R^2-värde trots en variabel mindre och i övrigt väldigt liknande resultat. Kort
ränta, växelkurs och elpris är uppenbarligen mindre signifikant relaterade till verkstadsindustrins
utveckling med hänvisning till regressionerna före finanskrisen. Vidare är majoriteten av alla
faktorers betan väldigt låga vilket implicerar att deras effekt på bolagens avkastning är mycket låg.
Detta faktum går hand i hand med de låga signifikansnivåerna.
I jämföresle med den fundamentala faktormodellen kan det med ovanstående fakta fastställas att
den ekonomiska modellen är mindre lämpad som förklaringsmodell. Detta beror delvis på att att
Fama & French modell innehåller faktorer som är konstruerade ur aktiemarknadsdata, till skillnad
från den ekonomiska modellen som till stor del utgörs av makroekonomiska faktorer som i sin tur
bestäms av en mängd faktorer däribland politiska beslut, nationellt och internationellt
konjunkturläge etc.
Diskrepansen mellan svängningar i diverse makroekonomiska variabler och verkstadsindustrins
fluktuationer i avkastning visar på att det existerar en viss inre tröghet i systemet. Visserligen visade
sig högre ordningens AR-modeller inte signifikanta vilket indikerar en viss grad av oavhängighet i
förhållande till ekonomiska variabler. En möjlighet är att det för en så pass specifik näringsgren inte
är generella ekonomiska variabler som förklarar avkastningen utan snarare mer svåråtkomliga och
avgränsade data. Detta kan exemplifieras med det generella BRIC-indexet, där fyra stora
tillväxtmarknader slås samman i ett index. Som beskrivs i avsnitt 3.3.5 är dessa länders
handelssammansättning väldigt diversifierad vilket kan få till följd att stora delar av indexet inte alls
reflekterar ett ökat behov av verkstadsprodukter. Om en uppgång i BRIC-indexet till stor del beror på
att Indiens IT-service-industri upplevt enorm tillväxt genererar detta sannolikt betydligt färre
försäljning av lastbilar, gruvmaskiner, verktyg och dylika produkter än om Brasiliens gruvindustri
hittat nya prospekt.
Före, utan lång ränta
Faktor Beta StdErr tStat pVal R^2
Konstant 0.018413 0.010389 1.7724 0.082075 0.1211
E_järn 0.12529 0.10145 1.235 0.22227
E_olja -0.16638 0.12979 -1.282 0.20543 Obs#
E_BRIC 0.22971 0.14107 1.6283 0.10938 61
E_SSV 3M -0.029763 0.071886 -0.41403 0.68052
E_euro_usd 0.0023414 0.28253 0.0082872 0.99342
E_el -0.012384 0.051461 -0.24065 0.81076
E_inflation 0.058045 0.029691 1.955 0.055871
36
En möjlig förbättringspunkt kan därför vara att vid undersökningen av en specifik näringsgren krävs
sannolikt mer specifika val av faktorer även fast det är ett resultat i sig att merparten av de valda
faktorerna inte är signifikanta samt har låga beta-värden.
Avslutningsvis kan det påpekas att bolagens aktiekurser avgörs av ett komplext samspel mellan
marknadens alla ekonomiskt relevanta variabler. Det kan vara ytterliggare en av anledningarna till
varför en undersökning av denna natur misslyckas med att förklara avkastningen.
5.2 Robusthetstestens resultat
De utförda robusthetstesten är de som vanligen förekommer och används i ekonometrisk litteratur.
Givetvis finns det en uppsjö av olika robusthetstest som lämpar sig mer eller mindre beroende på vad
det är man undersöker. I den här uppsatsen har det dock visat sig att datan har varit förhållandevis
godartad och inte gett upphov till några egentliga problem för ändamålet, nämligen
flervariabelregressionen. Man skulle kunna argumentera för att eventuellt använda robusta
autokorrelationsestimat istället men som Breusch-Godfrey-testet visade var den negativa
autokorrelationen inte signifikant vid 5%-nivån och väldigt nära 10%-nivån samt att den var
förhållandevis liten.
Robusthetstesten har visat på samma resultat för regressionerna under tidsperioderna före
respektive efter finanskrisen dock givetvis med andra värden men samma resultat beträffande
signifikans. Anledningen till att även en version innan finanskrisen utan den långa räntan redovisades
var på grund av den höga korrelation denna faktor hade med den korta räntan, vilket också visades i
regressionens resultat, dvs. samma förklaringshalt men med en variabel mindre.
Överlag visar alltså robusthetstesten förvånansvärt goda resultat. Att feltermen inte kan sägas följa
en perfekt normalfördelning är problematik som tvunget förekommer i ekonometriska
undersökningar. För att åtgärda felet krävs ”bättre” data, vilket i det här fallet blir svårt alternativt
dyrt att få. Vad som dock mest förvånar är den icke-existerande förekomsten av heteroskedastik,
vilket ofta sägs vara mer regel än undantag vid tidsserie-analys.
Förslag till vidare arbete är bland annat att vidareutveckla en ekonomisk faktormodell för
verkstadsindustrins utveckling alternativt någon annan intressant svensk näringsgren (skogsnäring,
läkemedelsindustri etc.). Fokus bör i så fall ligga på att ta fram mindre generiska faktorer och istället i
betydligt större utsträckning fokusera på industrinära faktorer såsom tillväxt i specifika områden och
eventuellt, beroende på frågeställningen titta på förhållande till aktiemarknaden i övrigt. Vad Fama &
French-modellen visar är att verkstadsindustrin signifikant förhåller sig positivt till marknadens
riskpremium.
37
Litteraturförteckning
Alexander, C. (2008) Market Risk Analysis, Practical Financial Econometrics, John Wiley & Sons Ltd.
Alfa Laval (2009) Annual Report.
Assa Abloy (2009) Annual Report.
Braunerhjelm, P. (n.d) 'Storföretagen och den ekonomiska geografin'.
Connor, G.a.K.R. (1988) 'Risk and return in an equilibrium APT: Application of a new test
methodology', Journal of Financial Economics 21, pp. 255-289.
Dagen Industri, [Online], Available: http://di.se/Default.aspx?refresh=1&pid=3866&epslanguage=sv
[29 Mar 2011].
Dagens Industri, [Online], Available: http://di.se/Default.aspx?refresh=1&pid=3866&epslanguage=sv
[29 Mar 2011].
Dagens Industri, [Online], Available: http://di.se/Default.aspx?refresh=1&pid=3866&epslanguage=sv
[29 Mar 2011].
Dagens Industri, [Online], Available: http://di.se/Default.aspx?refresh=1&pid=3866&epslanguage=sv
[29 Mar 2011].
Dagens Industri, [Online], Available: http://di.se/Default.aspx?refresh=1&pid=3866&epslanguage=sv
[29 Mar 2011].
Ekonomifakta, [Online], Available: www.ekonomifakta.se/sv/Fakta/Ekonomi/Tillvaxt/BNP---
Bruttonationalprodukt [18 Jan 2011].
French, K., [Online], Available:
http://www.mscibarra.com/eqb/pressreleases/archive/20051206_pr.pdf / [02 Apr 2011].
German, H. (2005) Commodities and Commodity Derivatives, John Wiley & Sons Ltd.
Industri, D. (2011) 'Bubbelvarning på verkstad', Jan, p. 18.
Kendall, M. (1953) 'The Analysis of Economic Time Series, Part 1: Prices', Journal of the Royal
Statistical Society.
Klas Fregert, L.J. (2005) Makroekonomi - Teori, Politik & Institutioner, Lund: Studentlitteratur.
Kommerskollegium (2001) BRIC-länderna i världshandeln. Brasilien, Ryssland, Indien och Kina i fokus,
Kommerskollegium.
Kommerskollegium Sveriges utrikeshandel med varor och tjänster samt direktinvesteringar, [Online],
Available:
http://www.kommers.se/upload/Analysarkiv/Arbetsomr%C3%A5den/Handelsstatistik/Kvartalsrappo
rt/Sveriges%20utrikeshandel%201-3%20kv%202010%20II.pdf [18 Jan 2011].
38
MatLab Mathworks, [Online], Available:
http://www.mathworks.com/help/toolbox/stats/jbtest.html;jsessionid=jRz2NmQBMDWPnyP3V6QT
mKZVmvl2Jt3Z5Hmr2z4LNXhG1y4B44L0!147774359 [14 Apr 2011].
MSCI Barra, [Online], Available:
http://www.mscibarra.com/eqb/pressreleases/archive/20051206_pr.pdf / [30 Mar 2011].
Nordpol, [Online], Available:
http://www.mscibarra.com/eqb/pressreleases/archive/20051206_pr.pdf / [30 Mar 2011].
R. Carter Hill, W.E.G.G.C.L. (2007) Principles of Econometrics, Third Edition edition, New Jersey: Wiley
& Sons, Inc.
Ron C. Mittelhammer, G.G.J.D.J.M. (2000) Econometrics Foundations, New York: Cambridge
University Press.
Sandvik (2009) Annual Report.
SKF (2009) Annual Report.
Unionen (2008) 'Unionens skrift "Om verkstadsbranschen"', ISBN 978-91-7391-024-8, Feb.
Wahlberg, R. (2011) Föreläsningsmaterial NEG300 Lecture 5, Göteborg: Roger Wahlberg.
Volvo AB (2009) Annual Report.
39
Appendix A
40